DeepSeek V3 ist DeepSeeks ursprüngliches Mixture-of-Experts-Textmodell für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und gibt eine Antwort, einen Entwurf, eine Erklärung oder Code zurück. Die Modellkarte nennt insgesamt 671 Milliarden Parameter für das Hauptmodell, davon 37 Milliarden aktive pro Token. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen eigene Funktionen und Prompt-Profile hinzufügen.
Seine Architektur verbindet Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen; die Auswahl einzelner Experten aktiviert für jeden Token nur einen Teil des Modells. V3 führt außerdem Lastverteilung ohne zusätzliche Verlustfunktion und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein gesondertes Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum Paketgesamtzahlen von der Architekturzählung des Hauptmodells abweichen können.
DeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und verwendet anschließend überwachtes Fine-Tuning und Reinforcement Learning. Das Nachtraining bringt Verifikations- und Reflexionsmuster aus der R1-Familie in eine standardmäßige Sprachmodellantwort ein und steuert dabei Ausgabestil und Länge. Das ist ein Trainingsbeitrag und unterscheidet sich von der Wahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Legen Sie das benötigte endgültige Antwortformat fest, statt eine Reasoning-Darstellung aus einer anderen Edition vorauszusetzen.
Die Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokument- oder Codematerial verbinden; Gesprächsverlauf und Antwort benötigen ebenfalls Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze und keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort anzufordern.
Stellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Rahmenbedingungen und die Eingabe bereit, die das Problem veranschaulicht. Fordern Sie einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung an. Geben Sie für Dokumentanalysen benannte Abschnitte und klare Vergleichskriterien an. Ein Beispielbriefing lautet: „Extrahieren Sie die Anforderungen, ermitteln Sie, welche davon dieser Vorschlag abdeckt, und zitieren Sie für jede Feststellung die entsprechende Passage. Schließen Sie mit einer knappen Liste fehlender Details ab.“
Schreib- und Überarbeitungsaufgaben profitieren von einer ausdrücklich festgelegten Zielgruppe, Tonalität und einer Liste zu erhaltender Fakten. Fordern Sie eine Zusammenfassung, Neufassung, Übersetzung oder Erklärung an und geben Sie verpflichtende Namen und Fachbegriffe vor. Eine angeforderte Feldliste oder eine Antwort in JSON-Form muss weiterhin als erzeugter Inhalt geprüft werden; der Modellname allein qualifiziert nicht den Mechanismus einer umgebenden Anwendung für strukturierte Ausgaben oder Werkzeugausführung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.
Der Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- und Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattgefunden hat. Verwenden Sie tatsächliche Quellpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Belege benötigt.
Definieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen seines Abschlusses. Halten Sie quellenbasierte Feststellungen, Annahmen und Änderungsvorschläge getrennt und prüfen Sie dann die erzeugte Antwort anhand des bereitgestellten Materials. In einem längeren Gespräch lässt sich ein Teil des Entwurfs verfeinern, während freigegebene Fakten und Rahmenbedingungen erhalten bleiben. Das Arbeitsergebnis ist ein überprüfbarer Text oder Code für die angegebene Aufgabe, mit beibehaltener ursprünglicher V3-Identität, statt stillschweigend Steuerungsmöglichkeiten einer späteren Edition zu übernehmen.
", "aboutText": "DeepSeek V3 ist DeepSeeks ursprüngliches Mixture-of-Experts-Textmodell für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und gibt eine Antwort, einen Entwurf, eine Erklärung oder Code zurück. Die Modellkarte nennt insgesamt 671 Milliarden Parameter für das Hauptmodell, davon 37 Milliarden aktive pro Token. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen eigene Funktionen und Prompt-Profile hinzufügen.\n\nSeine Architektur verbindet Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen; die Auswahl einzelner Experten aktiviert für jeden Token nur einen Teil des Modells. V3 führt außerdem Lastverteilung ohne zusätzliche Verlustfunktion und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein gesondertes Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum Paketgesamtzahlen von der Architekturzählung des Hauptmodells abweichen können.\n\nDeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und verwendet anschließend überwachtes Fine-Tuning und Reinforcement Learning. Das Nachtraining bringt Verifikations- und Reflexionsmuster aus der R1-Familie in eine standardmäßige Sprachmodellantwort ein und steuert dabei Ausgabestil und Länge. Das ist ein Trainingsbeitrag und unterscheidet sich von der Wahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Legen Sie das benötigte endgültige Antwortformat fest, statt eine Reasoning-Darstellung aus einer anderen Edition vorauszusetzen.\n\nDie Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokument- oder Codematerial verbinden; Gesprächsverlauf und Antwort benötigen ebenfalls Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze und keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort anzufordern.\n\nStellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Rahmenbedingungen und die Eingabe bereit, die das Problem veranschaulicht. Fordern Sie einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung an. Geben Sie für Dokumentanalysen benannte Abschnitte und klare Vergleichskriterien an. Ein Beispielbriefing lautet: „Extrahieren Sie die Anforderungen, ermitteln Sie, welche davon dieser Vorschlag abdeckt, und zitieren Sie für jede Feststellung die entsprechende Passage. Schließen Sie mit einer knappen Liste fehlender Details ab.“\n\nSchreib- und Überarbeitungsaufgaben profitieren von einer ausdrücklich festgelegten Zielgruppe, Tonalität und einer Liste zu erhaltender Fakten. Fordern Sie eine Zusammenfassung, Neufassung, Übersetzung oder Erklärung an und geben Sie verpflichtende Namen und Fachbegriffe vor. Eine angeforderte Feldliste oder eine Antwort in JSON-Form muss weiterhin als erzeugter Inhalt geprüft werden; der Modellname allein qualifiziert nicht den Mechanismus einer umgebenden Anwendung für strukturierte Ausgaben oder Werkzeugausführung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.\n\nDer Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- und Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattgefunden hat. Verwenden Sie tatsächliche Quellpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Belege benötigt.\n\nDefinieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen seines Abschlusses. Halten Sie quellenbasierte Feststellungen, Annahmen und Änderungsvorschläge getrennt und prüfen Sie dann die erzeugte Antwort anhand des bereitgestellten Materials. In einem längeren Gespräch lässt sich ein Teil des Entwurfs verfeinern, während freigegebene Fakten und Rahmenbedingungen erhalten bleiben. Das Arbeitsergebnis ist ein überprüfbarer Text oder Code für die angegebene Aufgabe, mit beibehaltener ursprünglicher V3-Identität, statt stillschweigend Steuerungsmöglichkeiten einer späteren Edition zu übernehmen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9bde7ed288b557da9d77038c695ca086c72674a59ff3ccab65c71f0a871a0ca0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "deepseek-chatDeepSeek V3 ist DeepSeeks ursprüngliches Textmodell für Programmierung, Schreiben, Fragen und quellenbasierte Analysen. Seine Mixture-of-Experts-Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktive. Hinzu kommen ein Kontext von 128K und ein Nachtraining, das Reasoning-Muster von R1 einbezieht.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3 ist DeepSeeks ursprüngliches Mixture-of-Experts-Textmodell für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und gibt eine Antwort, einen Entwurf, eine Erklärung oder Code zurück. Die Modellkarte nennt insgesamt 671 Milliarden Parameter für das Hauptmodell, davon 37 Milliarden aktive pro Token. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen eigene Funktionen und Prompt-Profile hinzufügen.
Seine Architektur verbindet Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen; die Auswahl einzelner Experten aktiviert für jeden Token nur einen Teil des Modells. V3 führt außerdem Lastverteilung ohne zusätzliche Verlustfunktion und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein gesondertes Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum Paketgesamtzahlen von der Architekturzählung des Hauptmodells abweichen können.
DeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und verwendet anschließend überwachtes Fine-Tuning und Reinforcement Learning. Das Nachtraining bringt Verifikations- und Reflexionsmuster aus der R1-Familie in eine standardmäßige Sprachmodellantwort ein und steuert dabei Ausgabestil und Länge. Das ist ein Trainingsbeitrag und unterscheidet sich von der Wahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Legen Sie das benötigte endgültige Antwortformat fest, statt eine Reasoning-Darstellung aus einer anderen Edition vorauszusetzen.
Die Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokument- oder Codematerial verbinden; Gesprächsverlauf und Antwort benötigen ebenfalls Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze und keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort anzufordern.
Stellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Rahmenbedingungen und die Eingabe bereit, die das Problem veranschaulicht. Fordern Sie einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung an. Geben Sie für Dokumentanalysen benannte Abschnitte und klare Vergleichskriterien an. Ein Beispielbriefing lautet: „Extrahieren Sie die Anforderungen, ermitteln Sie, welche davon dieser Vorschlag abdeckt, und zitieren Sie für jede Feststellung die entsprechende Passage. Schließen Sie mit einer knappen Liste fehlender Details ab.“
Schreib- und Überarbeitungsaufgaben profitieren von einer ausdrücklich festgelegten Zielgruppe, Tonalität und einer Liste zu erhaltender Fakten. Fordern Sie eine Zusammenfassung, Neufassung, Übersetzung oder Erklärung an und geben Sie verpflichtende Namen und Fachbegriffe vor. Eine angeforderte Feldliste oder eine Antwort in JSON-Form muss weiterhin als erzeugter Inhalt geprüft werden; der Modellname allein qualifiziert nicht den Mechanismus einer umgebenden Anwendung für strukturierte Ausgaben oder Werkzeugausführung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.
Der Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- und Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattgefunden hat. Verwenden Sie tatsächliche Quellpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Belege benötigt.
Definieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen seines Abschlusses. Halten Sie quellenbasierte Feststellungen, Annahmen und Änderungsvorschläge getrennt und prüfen Sie dann die erzeugte Antwort anhand des bereitgestellten Materials. In einem längeren Gespräch lässt sich ein Teil des Entwurfs verfeinern, während freigegebene Fakten und Rahmenbedingungen erhalten bleiben. Das Arbeitsergebnis ist ein überprüfbarer Text oder Code für die angegebene Aufgabe, mit beibehaltener ursprünglicher V3-Identität, statt stillschweigend Steuerungsmöglichkeiten einer späteren Edition zu übernehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-chat | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00064 / 1K Tokens Ausgabe · Ausgabetoken $0.00178 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek-chat","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek-chat", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek-chatDeepSeek V3 ist DeepSeeks ursprüngliches Textmodell für Programmierung, Schreiben, Fragen und quellenbasierte Analysen. Seine Mixture-of-Experts-Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktive. Hinzu kommen ein Kontext von 128K und ein Nachtraining, das Reasoning-Muster von R1 einbezieht.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3 ist DeepSeeks ursprüngliches Mixture-of-Experts-Textmodell für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und gibt eine Antwort, einen Entwurf, eine Erklärung oder Code zurück. Die Modellkarte nennt insgesamt 671 Milliarden Parameter für das Hauptmodell, davon 37 Milliarden aktive pro Token. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen eigene Funktionen und Prompt-Profile hinzufügen.
Seine Architektur verbindet Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen; die Auswahl einzelner Experten aktiviert für jeden Token nur einen Teil des Modells. V3 führt außerdem Lastverteilung ohne zusätzliche Verlustfunktion und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein gesondertes Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum Paketgesamtzahlen von der Architekturzählung des Hauptmodells abweichen können.
DeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und verwendet anschließend überwachtes Fine-Tuning und Reinforcement Learning. Das Nachtraining bringt Verifikations- und Reflexionsmuster aus der R1-Familie in eine standardmäßige Sprachmodellantwort ein und steuert dabei Ausgabestil und Länge. Das ist ein Trainingsbeitrag und unterscheidet sich von der Wahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Legen Sie das benötigte endgültige Antwortformat fest, statt eine Reasoning-Darstellung aus einer anderen Edition vorauszusetzen.
Die Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokument- oder Codematerial verbinden; Gesprächsverlauf und Antwort benötigen ebenfalls Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze und keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort anzufordern.
Stellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Rahmenbedingungen und die Eingabe bereit, die das Problem veranschaulicht. Fordern Sie einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung an. Geben Sie für Dokumentanalysen benannte Abschnitte und klare Vergleichskriterien an. Ein Beispielbriefing lautet: „Extrahieren Sie die Anforderungen, ermitteln Sie, welche davon dieser Vorschlag abdeckt, und zitieren Sie für jede Feststellung die entsprechende Passage. Schließen Sie mit einer knappen Liste fehlender Details ab.“
Schreib- und Überarbeitungsaufgaben profitieren von einer ausdrücklich festgelegten Zielgruppe, Tonalität und einer Liste zu erhaltender Fakten. Fordern Sie eine Zusammenfassung, Neufassung, Übersetzung oder Erklärung an und geben Sie verpflichtende Namen und Fachbegriffe vor. Eine angeforderte Feldliste oder eine Antwort in JSON-Form muss weiterhin als erzeugter Inhalt geprüft werden; der Modellname allein qualifiziert nicht den Mechanismus einer umgebenden Anwendung für strukturierte Ausgaben oder Werkzeugausführung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.
Der Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- und Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattgefunden hat. Verwenden Sie tatsächliche Quellpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Belege benötigt.
Definieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen seines Abschlusses. Halten Sie quellenbasierte Feststellungen, Annahmen und Änderungsvorschläge getrennt und prüfen Sie dann die erzeugte Antwort anhand des bereitgestellten Materials. In einem längeren Gespräch lässt sich ein Teil des Entwurfs verfeinern, während freigegebene Fakten und Rahmenbedingungen erhalten bleiben. Das Arbeitsergebnis ist ein überprüfbarer Text oder Code für die angegebene Aufgabe, mit beibehaltener ursprünglicher V3-Identität, statt stillschweigend Steuerungsmöglichkeiten einer späteren Edition zu übernehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-chat | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00064 / 1K Tokens Ausgabe · Ausgabetoken $0.00178 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 ist DeepSeeks ursprüngliches Textmodell für Programmierung, Schreiben, Fragen und quellenbasierte Analysen. Seine Mixture-of-Experts-Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktive. Hinzu kommen ein Kontext von 128K und ein Nachtraining, das Reasoning-Muster von R1 einbezieht.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3 ist DeepSeeks ursprüngliches Mixture-of-Experts-Textmodell für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und gibt eine Antwort, einen Entwurf, eine Erklärung oder Code zurück. Die Modellkarte nennt insgesamt 671 Milliarden Parameter für das Hauptmodell, davon 37 Milliarden aktive pro Token. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen eigene Funktionen und Prompt-Profile hinzufügen.
Seine Architektur verbindet Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen; die Auswahl einzelner Experten aktiviert für jeden Token nur einen Teil des Modells. V3 führt außerdem Lastverteilung ohne zusätzliche Verlustfunktion und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein gesondertes Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum Paketgesamtzahlen von der Architekturzählung des Hauptmodells abweichen können.
DeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und verwendet anschließend überwachtes Fine-Tuning und Reinforcement Learning. Das Nachtraining bringt Verifikations- und Reflexionsmuster aus der R1-Familie in eine standardmäßige Sprachmodellantwort ein und steuert dabei Ausgabestil und Länge. Das ist ein Trainingsbeitrag und unterscheidet sich von der Wahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Legen Sie das benötigte endgültige Antwortformat fest, statt eine Reasoning-Darstellung aus einer anderen Edition vorauszusetzen.
Die Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokument- oder Codematerial verbinden; Gesprächsverlauf und Antwort benötigen ebenfalls Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze und keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort anzufordern.
Stellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Rahmenbedingungen und die Eingabe bereit, die das Problem veranschaulicht. Fordern Sie einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung an. Geben Sie für Dokumentanalysen benannte Abschnitte und klare Vergleichskriterien an. Ein Beispielbriefing lautet: „Extrahieren Sie die Anforderungen, ermitteln Sie, welche davon dieser Vorschlag abdeckt, und zitieren Sie für jede Feststellung die entsprechende Passage. Schließen Sie mit einer knappen Liste fehlender Details ab.“
Schreib- und Überarbeitungsaufgaben profitieren von einer ausdrücklich festgelegten Zielgruppe, Tonalität und einer Liste zu erhaltender Fakten. Fordern Sie eine Zusammenfassung, Neufassung, Übersetzung oder Erklärung an und geben Sie verpflichtende Namen und Fachbegriffe vor. Eine angeforderte Feldliste oder eine Antwort in JSON-Form muss weiterhin als erzeugter Inhalt geprüft werden; der Modellname allein qualifiziert nicht den Mechanismus einer umgebenden Anwendung für strukturierte Ausgaben oder Werkzeugausführung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.
Der Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- und Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattgefunden hat. Verwenden Sie tatsächliche Quellpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Belege benötigt.
Definieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen seines Abschlusses. Halten Sie quellenbasierte Feststellungen, Annahmen und Änderungsvorschläge getrennt und prüfen Sie dann die erzeugte Antwort anhand des bereitgestellten Materials. In einem längeren Gespräch lässt sich ein Teil des Entwurfs verfeinern, während freigegebene Fakten und Rahmenbedingungen erhalten bleiben. Das Arbeitsergebnis ist ein überprüfbarer Text oder Code für die angegebene Aufgabe, mit beibehaltener ursprünglicher V3-Identität, statt stillschweigend Steuerungsmöglichkeiten einer späteren Edition zu übernehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-chat | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00064 / 1K Tokens Ausgabe · Ausgabetoken $0.00178 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek/deepseek-chat","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek/deepseek-chat", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 ist DeepSeeks ursprüngliches Textmodell für Programmierung, Schreiben, Fragen und quellenbasierte Analysen. Seine Mixture-of-Experts-Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktive. Hinzu kommen ein Kontext von 128K und ein Nachtraining, das Reasoning-Muster von R1 einbezieht.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3 ist DeepSeeks ursprüngliches Mixture-of-Experts-Textmodell für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und gibt eine Antwort, einen Entwurf, eine Erklärung oder Code zurück. Die Modellkarte nennt insgesamt 671 Milliarden Parameter für das Hauptmodell, davon 37 Milliarden aktive pro Token. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen eigene Funktionen und Prompt-Profile hinzufügen.
Seine Architektur verbindet Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen; die Auswahl einzelner Experten aktiviert für jeden Token nur einen Teil des Modells. V3 führt außerdem Lastverteilung ohne zusätzliche Verlustfunktion und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein gesondertes Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum Paketgesamtzahlen von der Architekturzählung des Hauptmodells abweichen können.
DeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und verwendet anschließend überwachtes Fine-Tuning und Reinforcement Learning. Das Nachtraining bringt Verifikations- und Reflexionsmuster aus der R1-Familie in eine standardmäßige Sprachmodellantwort ein und steuert dabei Ausgabestil und Länge. Das ist ein Trainingsbeitrag und unterscheidet sich von der Wahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Legen Sie das benötigte endgültige Antwortformat fest, statt eine Reasoning-Darstellung aus einer anderen Edition vorauszusetzen.
Die Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokument- oder Codematerial verbinden; Gesprächsverlauf und Antwort benötigen ebenfalls Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze und keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort anzufordern.
Stellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Rahmenbedingungen und die Eingabe bereit, die das Problem veranschaulicht. Fordern Sie einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung an. Geben Sie für Dokumentanalysen benannte Abschnitte und klare Vergleichskriterien an. Ein Beispielbriefing lautet: „Extrahieren Sie die Anforderungen, ermitteln Sie, welche davon dieser Vorschlag abdeckt, und zitieren Sie für jede Feststellung die entsprechende Passage. Schließen Sie mit einer knappen Liste fehlender Details ab.“
Schreib- und Überarbeitungsaufgaben profitieren von einer ausdrücklich festgelegten Zielgruppe, Tonalität und einer Liste zu erhaltender Fakten. Fordern Sie eine Zusammenfassung, Neufassung, Übersetzung oder Erklärung an und geben Sie verpflichtende Namen und Fachbegriffe vor. Eine angeforderte Feldliste oder eine Antwort in JSON-Form muss weiterhin als erzeugter Inhalt geprüft werden; der Modellname allein qualifiziert nicht den Mechanismus einer umgebenden Anwendung für strukturierte Ausgaben oder Werkzeugausführung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.
Der Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- und Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattgefunden hat. Verwenden Sie tatsächliche Quellpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Belege benötigt.
Definieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen seines Abschlusses. Halten Sie quellenbasierte Feststellungen, Annahmen und Änderungsvorschläge getrennt und prüfen Sie dann die erzeugte Antwort anhand des bereitgestellten Materials. In einem längeren Gespräch lässt sich ein Teil des Entwurfs verfeinern, während freigegebene Fakten und Rahmenbedingungen erhalten bleiben. Das Arbeitsergebnis ist ein überprüfbarer Text oder Code für die angegebene Aufgabe, mit beibehaltener ursprünglicher V3-Identität, statt stillschweigend Steuerungsmöglichkeiten einer späteren Edition zu übernehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-chat | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00064 / 1K Tokens Ausgabe · Ausgabetoken $0.00178 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions